本发明属于社区治安管理技术领域，尤其涉及一种基于眼动数据捕捉的城市社区进出人员安全检查方法，先构建眼动数据检测数据集，再分别提取眼动数据的视频特征和音频特征后进行特征融合得到融合后的音视特征，将融合后的音视特征转化为视点预测特征，并预测视点位置；然后训练和测试多模态音视视点预测网络；再采集进出人员眼动数据并与预测的眼动数据做对比，判定当前人员是否为暴力人员；最后进行训练数据集扩充和基于混合新旧数据的连续学习，用很少的时间和很小的成本能完成暴力倾向的检测，而且能够实现自进化，针对非常善于“伪装”的暴力倾向的人员也能够检测，为城市社区安全检测奠定基础。